कोडिंग: चुकीचे उत्तर
कोडिंग
चुकीचे उत्तर
कोडिंग मध्ये कोणत्या AI मॉडेल्सना चुकीचे उत्तर येण्याची शक्यता जास्त आहे ते पाहा, म्हणजे कमकुवत बाजू लवकर ओळखता येतील.
अयशस्वी होण्याची कारणे
265/265
मॉडेल फिल्टर करा
सध्याच्या शोध आणि फिल्टर्सशी जुळणारी कोणतीही मॉडेल्स नाहीत.
| क्रमांक | मॉडेल | कंपनी | चुकीचे उत्तर संख्या | श्रेणी स्कोअर | एकूण खर्च | बरोबर चाचण्या | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|
| #122 | Qwen3.7 Flash low | Qwen | 2 | 0.7 | $0.071 | 1/3 | 42.4s |
| #125 | GPT-6 Luna low | OpenAI | 2 | 0.6 | $0.033 | 1/3 | 15.4s |
| #127 | Space Bunny Alpha high | Stealth | 2 | 0.6 | $0.000 | 1/3 | 8.29s |
| #132 | GPT-5.6 Luna medium | OpenAI | 2 | 0.5 | $0.065 | 1/3 | 10.4s |
| #143 | Claude Fable 5.1 medium | Anthropic | 2 | 0.7 | $3.197 | 1/3 | 11.0s |
| #149 | Qwen3.5-27B none | Qwen | 2 | 0.6 | $0.116 | 1/3 | 1.80s |
| #150 | Qwen3.5 Plus 2026-02-15 medium | Qwen | 2 | 0.7 | $0.567 | 1/3 | 180.7s |
| #152 | Gemini 3.8 Flash low | 2 | 0.5 | $0.323 | 1/3 | 4.31s | |
| #161 | GLM 5.3 FlashX medium | Z.ai | 2 | 0.6 | $0.114 | 1/3 | 6.37s |
| #163 | MiMo-V2.5 medium | Xiaomi | 2 | 0.6 | $0.130 | 1/3 | 97.1s |
| #166 | Gemini 3.1 Flash Lite Preview medium | 2 | 0.5 | $0.158 | 1/3 | 4.09s | |
| #170 | Grok 4.6 low | X AI | 2 | 0.6 | $0.781 | 1/3 | 21.7s |
| #171 | Gemini 3 Flash Preview low | 2 | 0.6 | $0.254 | 1/3 | 6.00s | |
| #173 | Gemini 3.1 Flash Lite medium | 2 | 0.5 | $0.153 | 1/3 | 3.81s | |
| #176 | GPT-5.6 Luna low | OpenAI | 2 | 0.5 | $0.049 | 1/3 | 4.61s |